本發(fā)明提出了一種代謝性疾病糖尿病足檢驗(yàn)數(shù)據(jù)早篩方法及系統(tǒng)，屬于醫(yī)療健康。

背景技術(shù)：

1、在代謝性疾病糖尿病管理的臨床實(shí)踐中，代謝性疾病糖尿病足作為代謝性疾病糖尿病的一種嚴(yán)重并發(fā)癥，其高發(fā)病率、高致殘率及高昂的治療費(fèi)用一直是醫(yī)療領(lǐng)域關(guān)注的重點(diǎn)。代謝性疾病糖尿病足的發(fā)生往往與血糖控制不佳、血管病變、神經(jīng)病變及感染等多種因素密切相關(guān)，其早期識別和干預(yù)對于預(yù)防病情惡化、減少截肢風(fēng)險(xiǎn)及改善患者生活質(zhì)量具有至關(guān)重要的意義。

2、然而，傳統(tǒng)的代謝性疾病糖尿病足篩查方法主要依賴于醫(yī)生的臨床經(jīng)驗(yàn)、體格檢查及影像學(xué)檢查等手段，這些方法不僅耗時(shí)費(fèi)力，且易受主觀因素影響，導(dǎo)致篩查的準(zhǔn)確性和效率有限。特別是對于早期代謝性疾病糖尿病足，由于其癥狀不明顯，很容易被忽視或誤診，從而錯過了最佳的治療時(shí)機(jī)。

3、隨著人工智能（ai）技術(shù)的飛速發(fā)展，特別是在醫(yī)療領(lǐng)域的應(yīng)用日益廣泛，為代謝性疾病糖尿病足的早期篩查提供了新的解決方案。ai技術(shù)能夠通過大數(shù)據(jù)分析、深度學(xué)習(xí)等先進(jìn)算法，從海量的臨床數(shù)據(jù)中挖掘出與代謝性疾病糖尿病足相關(guān)的潛在特征，構(gòu)建出高效的篩查模型，實(shí)現(xiàn)代謝性疾病糖尿病足的精準(zhǔn)預(yù)測和早期診斷。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種代謝性疾病糖尿病足檢驗(yàn)數(shù)據(jù)早篩方法及系統(tǒng)，用以解決上述背景技術(shù)中提到的問題：

2、本發(fā)明提出的一種代謝性疾病糖尿病足檢驗(yàn)數(shù)據(jù)早篩方法，所述方法包括：

3、s1、獲取臨床樣本數(shù)據(jù)，并將獲取到的臨床樣本數(shù)據(jù)傳輸至云空間進(jìn)行預(yù)處理，通過深度學(xué)習(xí)算法對預(yù)處理后的臨床樣本數(shù)據(jù)進(jìn)行特征提取，提取與代謝性疾病糖尿病足相關(guān)的特征；

4、s2、通過深度學(xué)習(xí)算法構(gòu)建基于血常規(guī)數(shù)據(jù)的代謝性疾病糖尿病足篩查模型，并將獲取的臨床樣本數(shù)據(jù)與歷史數(shù)據(jù)結(jié)合構(gòu)建數(shù)據(jù)集；通過多指標(biāo)，對構(gòu)建的代謝性疾病糖尿病足篩查模型進(jìn)行評估，基于評估結(jié)果對代謝性疾病糖尿病足篩查模型進(jìn)行調(diào)優(yōu)；

5、s3、引入外部驗(yàn)證數(shù)據(jù)集對調(diào)優(yōu)后的代謝性疾病糖尿病足篩查模型進(jìn)行盲測，驗(yàn)證模型的區(qū)域適應(yīng)性，并基于算法解釋對模型的輸出結(jié)果進(jìn)行風(fēng)險(xiǎn)分級；

6、s4、將構(gòu)建好的模型部署到醫(yī)療信息系統(tǒng)，實(shí)時(shí)接收患者檢驗(yàn)數(shù)據(jù)，并對檢驗(yàn)數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，獲得代謝性疾病糖尿病足風(fēng)險(xiǎn)預(yù)警結(jié)果。

7、進(jìn)一步的，所述s1，包括：

8、s11、通過多數(shù)據(jù)整合框架，從多個(gè)數(shù)據(jù)源對樣本數(shù)據(jù)進(jìn)行收集，并將收集到的樣本數(shù)據(jù)傳輸至云空間；

9、s12、云空間按照數(shù)據(jù)類型將接收到的樣本數(shù)據(jù)分別存儲至不同的存儲空間內(nèi)，并在不同的存儲空間內(nèi)部劃分一個(gè)子空間；

10、s13、對存儲空間內(nèi)的樣本數(shù)據(jù)進(jìn)行冗余備份，并將備份后的數(shù)據(jù)存入子空間；通過處理單元分別對存儲空間以及其對應(yīng)的子空間內(nèi)部存儲的數(shù)據(jù)分別進(jìn)行預(yù)處理；

11、s14、將存儲空間以及其對應(yīng)子空間預(yù)處理后的結(jié)果進(jìn)行比對，判斷是否存在差異，若存在差異，則對差異部分再次進(jìn)行處理；

12、s15、將再次處理后的結(jié)果作為基準(zhǔn)值，與第一次預(yù)處理的結(jié)果進(jìn)行判斷，并將存儲空間或子空間內(nèi)存儲的樣本數(shù)據(jù)預(yù)處理后差異值最小的作為最終結(jié)果；

13、s16、利用深度學(xué)習(xí)算法對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，并對提取的特征進(jìn)行評估，通過特征選擇技術(shù)篩選出最具預(yù)測價(jià)值的特征子集。

14、進(jìn)一步的，所述s2，包括：

15、s21、將獲取的臨床樣本數(shù)據(jù)與已有的歷史數(shù)據(jù)合并，形成全面的數(shù)據(jù)集；并對合并后的數(shù)據(jù)集進(jìn)行預(yù)處理；

16、s22、基于深度學(xué)習(xí)算法，從預(yù)處理后的數(shù)據(jù)中提取與代謝性疾病糖尿病足相關(guān)的關(guān)鍵特征；

17、s23、通過特征重要性評估，篩選對代謝性疾病糖尿病足預(yù)測貢獻(xiàn)最大的特征子集；

18、s24、采用多層感知機(jī)制，根據(jù)特征類型和數(shù)據(jù)特性設(shè)計(jì)模型架構(gòu)，使用劃分好的訓(xùn)練集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，并通過反向傳播算法優(yōu)化模型參數(shù)；

19、s25、利用驗(yàn)證集數(shù)據(jù)對模型的多項(xiàng)評估指標(biāo)進(jìn)行評估，所述多項(xiàng)指標(biāo)包括準(zhǔn)確性、敏感性和特異性；

20、s26、根據(jù)評估結(jié)果，通過調(diào)整模型結(jié)構(gòu)、優(yōu)化算法參數(shù)以及使用正則化技術(shù)對模型性能進(jìn)行迭代優(yōu)化；

21、s27、通過檢查訓(xùn)練集和驗(yàn)證集上的損失曲線，以及模型在測試集上的表現(xiàn)，識別并處理過擬合或欠擬合問題；

22、s28、基于上述調(diào)優(yōu)過程，選擇性能最優(yōu)的模型作為最終的代謝性疾病糖尿病足篩查模型。

23、進(jìn)一步的，所述s3，包括：

24、s31、收集外部數(shù)據(jù)源，并將收集到的外部數(shù)據(jù)源進(jìn)行整合，構(gòu)建外部驗(yàn)證數(shù)據(jù)集；

25、s32、通過外部驗(yàn)證數(shù)據(jù)集對調(diào)優(yōu)后的代謝性疾病糖尿病足模型進(jìn)行盲測，通過盲測結(jié)果分析模型在外部數(shù)據(jù)集上的表現(xiàn)差異，并對潛在的偏差和誤差來源進(jìn)行識別；

26、s33、對外部驗(yàn)證數(shù)據(jù)集進(jìn)行聚類分析，對數(shù)據(jù)分布的差異性和相似性進(jìn)行識別，針對數(shù)據(jù)分布的差異性，通過遷移學(xué)習(xí)，對模型進(jìn)行微調(diào)或重新訓(xùn)練；

27、s34、進(jìn)行敏感性分析，通過調(diào)整驗(yàn)證數(shù)據(jù)集中關(guān)鍵特征的比例或范圍，評估模型對特征變化的敏感程度；

28、s35、基于模型預(yù)測結(jié)果，設(shè)計(jì)風(fēng)險(xiǎn)分級標(biāo)準(zhǔn)，將代謝性疾病糖尿病足風(fēng)險(xiǎn)劃分為不同等級，應(yīng)用局部解釋性和全局解釋性，對模型預(yù)測結(jié)果進(jìn)行解釋；

29、s36、并通過可視化工具，將風(fēng)險(xiǎn)分級結(jié)果和解釋性信息進(jìn)行可視化展示。

30、進(jìn)一步的，所述s4，包括：

31、s41、將構(gòu)建好的模型部署到醫(yī)療信息系統(tǒng)，并對模型部署環(huán)境進(jìn)行性能優(yōu)化，通過實(shí)施模型監(jiān)控機(jī)制，實(shí)時(shí)監(jiān)測模型的運(yùn)行狀態(tài)和預(yù)測性能；

32、s42、集成實(shí)時(shí)數(shù)據(jù)流處理算法，對患者檢驗(yàn)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集、清洗和預(yù)處理；

33、s43、通過模型對實(shí)時(shí)數(shù)據(jù)進(jìn)行分析，生成代謝性疾病糖尿病足風(fēng)險(xiǎn)預(yù)警信息，并設(shè)置風(fēng)險(xiǎn)閾值，基于風(fēng)險(xiǎn)閾值觸發(fā)自動報(bào)警機(jī)制；

34、s44、通過多方式將預(yù)警信息實(shí)時(shí)通知醫(yī)生和患者。

35、本發(fā)明提出的一種代謝性疾病糖尿病足檢驗(yàn)數(shù)據(jù)早篩系統(tǒng)，所述系統(tǒng)包括：

36、數(shù)據(jù)獲取模塊：獲取臨床樣本數(shù)據(jù)，并將獲取到的臨床樣本數(shù)據(jù)傳輸至云空間進(jìn)行預(yù)處理，通過深度學(xué)習(xí)算法對預(yù)處理后的臨床樣本數(shù)據(jù)進(jìn)行特征提取，提取與代謝性疾病糖尿病足相關(guān)的特征；

37、模型調(diào)優(yōu)模塊：通過深度學(xué)習(xí)算法構(gòu)建基于血常規(guī)數(shù)據(jù)的代謝性疾病糖尿病足篩查模型，并將獲取的臨床樣本數(shù)據(jù)與歷史數(shù)據(jù)結(jié)合構(gòu)建數(shù)據(jù)集；通過多指標(biāo)，對構(gòu)建的代謝性疾病糖尿病足篩查模型進(jìn)行評估，基于評估結(jié)果對代謝性疾病糖尿病足篩查模型進(jìn)行調(diào)優(yōu)；

38、模型盲測模塊：引入外部驗(yàn)證數(shù)據(jù)集對調(diào)優(yōu)后的代謝性疾病糖尿病足篩查模型進(jìn)行盲測，驗(yàn)證模型的區(qū)域適應(yīng)性，并基于算法解釋對模型的輸出結(jié)果進(jìn)行風(fēng)險(xiǎn)分級；

39、預(yù)警獲取模塊：將構(gòu)建好的模型部署到醫(yī)療信息系統(tǒng)，實(shí)時(shí)接收患者檢驗(yàn)數(shù)據(jù)，并對檢驗(yàn)數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，獲得代謝性疾病糖尿病足風(fēng)險(xiǎn)預(yù)警結(jié)果。

40、進(jìn)一步的，所述數(shù)據(jù)獲取模塊，包括：

41、數(shù)據(jù)傳輸模塊：通過多數(shù)據(jù)整合框架，從多個(gè)數(shù)據(jù)源對樣本數(shù)據(jù)進(jìn)行收集，并將收集到的樣本數(shù)據(jù)傳輸至云空間；

42、空間劃分模塊：云空間按照數(shù)據(jù)類型將接收到的樣本數(shù)據(jù)分別存儲至不同的存儲空間內(nèi)，并在不同的存儲空間內(nèi)部劃分一個(gè)子空間；

43、冗余備份模塊：對存儲空間內(nèi)的樣本數(shù)據(jù)進(jìn)行冗余備份，并將備份后的數(shù)據(jù)存入子空間；通過處理單元分別對存儲空間以及其對應(yīng)的子空間內(nèi)部存儲的數(shù)據(jù)分別進(jìn)行預(yù)處理；

44、差異判斷模塊：將存儲空間以及其對應(yīng)子空間預(yù)處理后的結(jié)果進(jìn)行比對，判斷是否存在差異，若存在差異，則對差異部分再次進(jìn)行處理；

45、結(jié)果確定模塊：將再次處理后的結(jié)果作為基準(zhǔn)值，與第一次預(yù)處理的結(jié)果進(jìn)行判斷，并將存儲空間或子空間內(nèi)存儲的樣本數(shù)據(jù)預(yù)處理后差異值最小的作為最終結(jié)果；

46、特征評估模塊：利用深度學(xué)習(xí)算法對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，并對提取的特征進(jìn)行評估，通過特征選擇技術(shù)篩選出最具預(yù)測價(jià)值的特征子集。

47、進(jìn)一步的，所述模型調(diào)優(yōu)模塊，包括：

48、數(shù)據(jù)合并模塊：將獲取的臨床樣本數(shù)據(jù)與已有的歷史數(shù)據(jù)合并，形成全面的數(shù)據(jù)集；并對合并后的數(shù)據(jù)集進(jìn)行預(yù)處理；

49、特征提取模塊：基于深度學(xué)習(xí)算法，從預(yù)處理后的數(shù)據(jù)中提取代謝性疾病糖尿病足相關(guān)的關(guān)鍵特征；

50、子集篩選模塊：通過特征重要性評估，篩選對代謝性疾病糖尿病足預(yù)測貢獻(xiàn)最大的特征子集；

51、參數(shù)優(yōu)化模塊：采用多層感知機(jī)制，根據(jù)特征類型和數(shù)據(jù)特性設(shè)計(jì)模型架構(gòu)，使用劃分好的訓(xùn)練集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，并通過反向傳播算法優(yōu)化模型參數(shù)；

52、指標(biāo)評估模塊：利用驗(yàn)證集數(shù)據(jù)對模型的多項(xiàng)評估指標(biāo)進(jìn)行評估，所述多項(xiàng)指標(biāo)包括準(zhǔn)確性、敏感性和特異性；

53、迭代優(yōu)化模塊：根據(jù)評估結(jié)果，通過調(diào)整模型結(jié)構(gòu)、優(yōu)化算法參數(shù)以及使用正則化技術(shù)對模型性能進(jìn)行迭代優(yōu)化；

54、問題識別模塊：通過檢查訓(xùn)練集和驗(yàn)證集上的損失曲線，以及模型在測試集上的表現(xiàn)，來識別并處理過擬合或欠擬合問題；

55、模型選擇模塊：基于上述調(diào)優(yōu)過程，選擇性能最優(yōu)的模型作為最終的代謝性疾病糖尿病足篩查模型。

56、進(jìn)一步的，所述模型盲測模塊，包括：

57、數(shù)據(jù)整合模塊：收集外部數(shù)據(jù)源，并將收集到的外部數(shù)據(jù)源進(jìn)行整合，構(gòu)建外部驗(yàn)證數(shù)據(jù)集；

58、差異分析模塊：通過外部驗(yàn)證數(shù)據(jù)集對調(diào)優(yōu)后的代謝性疾病糖尿病足模型進(jìn)行盲測，通過盲測結(jié)果分析模型在外部數(shù)據(jù)集上的表現(xiàn)差異，并對潛在的偏差和誤差來源進(jìn)行識別；

59、微調(diào)訓(xùn)練模塊：對外部驗(yàn)證數(shù)據(jù)集進(jìn)行聚類分析，對數(shù)據(jù)分布的差異性和相似性進(jìn)行識別，針對數(shù)據(jù)分布的差異性，通過遷移學(xué)習(xí)，對模型進(jìn)行微調(diào)或重新訓(xùn)練；

60、敏感評估模塊：進(jìn)行敏感性分析，通過調(diào)整驗(yàn)證數(shù)據(jù)集中關(guān)鍵特征的比例或范圍，評估模型對特征變化的敏感程度；

61、模型解釋模塊：基于模型預(yù)測結(jié)果，設(shè)計(jì)風(fēng)險(xiǎn)分級標(biāo)準(zhǔn)，將代謝性疾病糖尿病足風(fēng)險(xiǎn)劃分為不同等級，應(yīng)用局部解釋性和全局解釋性，對模型預(yù)測結(jié)果進(jìn)行解釋；

62、可視化展示模塊：并通過可視化工具，將風(fēng)險(xiǎn)分級結(jié)果和解釋性信息進(jìn)行可視化展示。

63、進(jìn)一步的，所述預(yù)警獲取模塊，包括：

64、性能預(yù)測模塊：將構(gòu)建好的模型部署到醫(yī)療信息系統(tǒng)，并對模型部署環(huán)境進(jìn)行性能優(yōu)化；通過實(shí)施模型監(jiān)控機(jī)制，實(shí)時(shí)監(jiān)測模型的運(yùn)行狀態(tài)和預(yù)測性能；

65、數(shù)據(jù)流處理模塊：集成實(shí)時(shí)數(shù)據(jù)流處理算法，對患者檢驗(yàn)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集、清洗和預(yù)處理；

66、閾值觸發(fā)模塊：通過模型對實(shí)時(shí)數(shù)據(jù)進(jìn)行分析，生成代謝性疾病糖尿病足風(fēng)險(xiǎn)預(yù)警信息，并設(shè)置風(fēng)險(xiǎn)閾值，基于風(fēng)險(xiǎn)閾值觸發(fā)自動報(bào)警機(jī)制；

67、預(yù)警通知模塊：通過多方式將預(yù)警信息實(shí)時(shí)通知醫(yī)生和患者。

68、本發(fā)明有益效果：通過深度學(xué)習(xí)算法進(jìn)行特征提取，能夠識別出與代謝性疾病糖尿病足相關(guān)的復(fù)雜模式和微妙變化，提高了篩查的準(zhǔn)確性。自動化的數(shù)據(jù)處理流程減少了人工干預(yù)，提升了篩查的效率。采用臨床樣本數(shù)據(jù)和歷史數(shù)據(jù)構(gòu)建數(shù)據(jù)集，能夠提供更為全面和深入的代謝性疾病糖尿病足風(fēng)險(xiǎn)分析。特征重要性評估確保了模型關(guān)注于對代謝性疾病糖尿病足預(yù)測最有貢獻(xiàn)的特征，從而提高了模型的預(yù)測能力。通過多層感知機(jī)和反向傳播算法優(yōu)化模型參數(shù)，確保了模型的預(yù)測性能。引入外部驗(yàn)證數(shù)據(jù)集進(jìn)行盲測，有助于驗(yàn)證模型的泛化能力，確保模型在不同地區(qū)和人群中的有效性。設(shè)計(jì)風(fēng)險(xiǎn)分級標(biāo)準(zhǔn)，將代謝性疾病糖尿病足風(fēng)險(xiǎn)進(jìn)行分級，有助于醫(yī)生根據(jù)風(fēng)險(xiǎn)等級制定個(gè)性化治療方案。算法解釋和可視化工具使得模型的預(yù)測結(jié)果更加透明和可解釋，增強(qiáng)了醫(yī)療專業(yè)人員對模型的信任。將模型部署到醫(yī)療信息系統(tǒng)中，實(shí)現(xiàn)了對患者檢驗(yàn)數(shù)據(jù)的實(shí)時(shí)分析和風(fēng)險(xiǎn)預(yù)警，有助于早期發(fā)現(xiàn)和干預(yù)。實(shí)時(shí)通知醫(yī)生和患者的機(jī)制能夠加快響應(yīng)速度，降低代謝性疾病糖尿病足的嚴(yán)重并發(fā)癥風(fēng)險(xiǎn)。多數(shù)據(jù)整合框架和云空間存儲確保了數(shù)據(jù)的安全性和可訪問性。數(shù)據(jù)冗余備份和預(yù)處理流程的比對確保了數(shù)據(jù)的準(zhǔn)確性和完整性。通過聚類分析和遷移學(xué)習(xí)，模型能夠適應(yīng)不同數(shù)據(jù)分布的特點(diǎn)，增強(qiáng)了模型的區(qū)域適應(yīng)性。感性分析幫助識別模型對關(guān)鍵特征變化的敏感程度，進(jìn)一步提高了模型的魯棒性。